Python on 忘川

Psnr对比图片画质

Thu, 02 Oct 2025 00:00:00 +0000

3.1 典型评价尺度
#

PSNR范围(dB)	图像质量评价
>40	极好（肉眼不可辨差异）
30-40	良好（可接受质量）
20-30	较差（明显失真）
<20	严重失真（不可接受）

import numpy as np
import cv2
import matplotlib.pyplot as plt


"""计算两幅RGB图像的PSNR值
参数:
    img1: 原始图像(numpy数组)
    img2: 待评估图像(numpy数组)
返回:
    PSNR值(dB)
"""
def rgb_psnr(img1, img2):
    # 确保输入是numpy数组
    img1 = np.array(img1, dtype=np.float64)
    img2 = np.array(img2, dtype=np.float64)
    # 计算各通道MSE
    mse_r = np.mean((img1[:, :, 0] - img2[:, :, 0]) ** 2)
    mse_g = np.mean((img1[:, :, 1] - img2[:, :, 1]) ** 2)
    mse_b = np.mean((img1[:, :, 2] - img2[:, :, 2]) ** 2)
    # 计算平均MSE
    mse = (mse_r + mse_g + mse_b) / 3
    # 处理完全相同的图像
    if mse == 0:
        return float('inf')
    return 20 * np.log10(255 / np.sqrt(mse))


def psnr(img1, img2):
    img1 = img1.astype(np.float64)
    img2 = img2.astype(np.float64)

    mse = np.mean((img1 - img2) ** 2)
    if mse == 0:
        return float('inf')

    if img1.max() > 1:
        max_pixel = 255.0
    else:
        max_pixel = 1.0

    return 20 * np.log10(max_pixel / np.sqrt(mse))


if __name__ == "__main__":
    # 1. 读取原始图像
    original = cv2.imread('../../mario.png')  # BGR格式
    original = cv2.cvtColor(original, cv2.COLOR_BGR2RGB)  # 转换为RGB

    # 2. 创建测试图像（添加高斯噪声）
    noisy = original + np.random.normal(0, 25, original.shape)
    noisy = np.clip(noisy, 0, 255).astype(np.uint8)

    # 3. 计算PSNR
    # psnr_value = rgb_psnr(original, noisy)
    psnr_value = psnr(original, noisy)
    print(f"PSNR between original and noisy image: {psnr_value:.2f} dB")

    # 4. 可视化比较
    plt.figure(figsize=(12, 6))

    plt.subplot(1, 2, 1)
    plt.imshow(original)
    plt.title('Original Image')
    plt.axis('off')

    plt.subplot(1, 2, 2)
    plt.imshow(noisy)
    plt.title(f'Noisy Image (PSNR={psnr_value:.2f}dB)')
    plt.axis('off')

    plt.tight_layout()
    plt.show()

SSIM对比图片相似度

Thu, 02 Oct 2025 00:00:00 +0000

对比图片相似度, 相似度越接近1 表示相似度越高,

import cv2
import numpy as np
from scipy.ndimage import gaussian_filter

def load_image_grayscale(image_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        raise ValueError(f"无法读取图像: {image_path}")
    img = img.astype(np.float64) / 255.0
    
    return img

def compute_statistics(img1, img2, window_size=11, sigma=1.5):
    mu1 = gaussian_filter(img1, sigma=sigma)
    mu2 = gaussian_filter(img2, sigma=sigma)
    
    sigma1_sq = gaussian_filter(img1 ** 2, sigma=sigma) - mu1 ** 2
    sigma2_sq = gaussian_filter(img2 ** 2, sigma=sigma) - mu2 ** 2
    
    
    
    sigma12 = gaussian_filter(img1 * img2, sigma=sigma) - mu1 * mu2
    
    
    return mu1, mu2, sigma1_sq, sigma2_sq, sigma12

def calculate_ssim(img1, img2, window_size=11, sigma=1.5, K1=0.01, K2=0.03, L=1.0):
    mu1, mu2, sigma1_sq, sigma2_sq, sigma12 = compute_statistics(img1, img2, window_size, sigma)
    
    C1 = (K1 * L) ** 2
    C2 = (K2 * L) ** 2
    
    luminance = (2 * mu1 * mu2 + C1) / (mu1 ** 2 + mu2 ** 2 + C1)
    
    print(f"luminance: {np.mean(luminance):.4f}")
    
    # 确保方差值非负
    sigma1_sq = np.maximum(sigma1_sq, 0)
    sigma2_sq = np.maximum(sigma2_sq, 0)
    
    contrast = (2 * np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2) / (sigma1_sq + sigma2_sq + C2)
    print(f"contrast: {np.mean(contrast):.4f}")
    structure = (sigma12 + C2 / 2) / (np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2 / 2)
    print(f"structure: {np.mean(structure):.4f}")
    
    ssim_map = luminance * contrast * structure
    return np.mean(ssim_map)

def ssim_index(image1_path, image2_path, window_size=11, sigma=1.5, K1=0.01, K2=0.03):
    img1 = load_image_grayscale(image1_path)
    img2 = load_image_grayscale(image2_path)
    
    if img1.shape != img2.shape:
        raise ValueError("输入的两幅图像必须具有相同的尺寸")
    
    ssim = calculate_ssim(img1, img2, window_size, sigma, K1, K2, L=1.0)
    return ssim

# 示例使用
if __name__ == "__main__":
    image1_path = '/Users/pkl/Downloads/3.png'
    image2_path = '/Users/pkl/Downloads/3_副本.png'
    
    try:
        ssim_value = ssim_index(image1_path, image2_path)
        print(f"两张图像的SSIM值为: {ssim_value:.4f}")
    except Exception as e:
        print(f"计算SSIM时发生错误: {e}")

输出结果>

Python日期处理工具类深度解析

Sat, 15 Feb 2025 00:00:00 +0000

核心功能实现
#

1. 基础时间获取
#

@staticmethod
def get_current_date() -> date:
    """获取当前日期对象（date类型）[1][3]
    Example: 2024-02-15
    """
    return date.today()

@staticmethod
def get_current_datetime() -> datetime:
    """获取当前日期时间对象（datetime类型）[2][3]
    Example: 2024-02-15 14:30:45.123456
    """
    return datetime.now()

2. 日期格式化与解析
#

@staticmethod
def format_date(dt: date, fmt: str = "%Y-%m-%d") -> str:
    """日期格式化输出[1][2]
    Example: 2024-02-15 → "15/02/2024"
    """
    return dt.strftime(fmt)

@staticmethod
def parse_date_str(date_str: str, fmt: str = "%Y-%m-%d") -> date:
    """字符串转日期对象[2][3]
    Example: "20240215" → 2024-02-15
    """
    return datetime.strptime(date_str, fmt).date()

3. 日期计算功能
#

@staticmethod
def calculate_days_diff(start: date, end: date) -> int:
    """计算两个日期之间的天数差[2]
    Example: 2024-02-10与2024-02-15 → 5天
    """
    return (end - start).days

@staticmethod
def add_days(base_date: date, days: int) -> date:
    """日期加减计算[1][3]
    Example: 2024-02-15 + 3天 → 2024-02-18
    """
    return base_date + timedelta(days=days)

4. 日历相关功能
#

@staticmethod
def get_month_calendar(year: int, month: int) -> str:
    """生成月份日历[4][5]
    Example: 2024年2月 → 返回格式化日历表格
    """
    return calendar.month(year, month)

@staticmethod
def is_month_end(dt: date) -> bool:
    """判断是否月末[4][5]
    Example: 2024-02-15 → False
    """
    return dt.day == calendar.monthrange(dt.year, dt.month)[1]

5. 高级判断功能
#

@staticmethod
def is_future_date(target: date) -> bool:
    """判断是否为未来日期[1]
    Example: 2025-01-01 → True
    """
    return target > date.today()

@staticmethod
def get_workdays(year: int, month: int) -> List[date]:
    """获取当月工作日列表[4][5]
    Example: 2024年2月 → 过滤周末的日期列表
    """
    return [date(year, month, day) for day in range(1, calendar.monthrange(year, month)[1]+1)
            if date(year, month, day).weekday() < 5]

6. 时间维度计算
#

@staticmethod
def get_week_number(dt: date) -> int:
    """获取ISO周数[2][3]
    Example: 2024-02-15 → 周数7
    """
    return dt.isocalendar()[1]

@staticmethod
def get_age(birth_date: date) -> int:
    """精确年龄计算[2][3]
    Example: 2000-03-15 → 24岁（当前日期2024-02-15）
    """
    today = date.today()
    return today.year - birth_date.year - ((today.month, today.day) < (birth_date.month, birth_date.day))

使用示例
#

print("当前日期:", DateUtils.get_current_date())  # [1][3]
print("月末判断:", DateUtils.is_month_end(date(2024,2,28)))  # [4][5]
print("工作日列表:", DateUtils.get_workdays(2024, 2))  # [4][5]

功能对比表
#

功能	核心方法	相关模块	应用场景
日期格式化	strftime	datetime	日志记录
工作日计算	weekday + calendar	calendar	考勤统计
闰年判断	monthrange	calendar	日期校验
时区转换	astimezone	dateutil	跨国系统

最佳实践建议
#

处理跨时区场景时建议统一使用UTC时间[1][3]
日期比较前确保时区一致性[1][4]
使用calendar.monthrange()处理月末日期更可靠[4][5]
批量处理日期时建议先进行时区转换[3][4]

该工具类已涵盖日常开发中常见的日期处理需求，通过合理组合使用这些方法，可以显著提升开发效率。

SeleniumBase框架深度解析：Web自动化测试的利器与局限

Sat, 15 Feb 2025 00:00:00 +0000

一、框架定位
#

SeleniumBase是基于Python的全栈Web自动化框架，深度融合Selenium WebDriver与pytest测试框架，支持Web自动化测试、数据抓取、端到端测试等场景[1][3]。其核心设计目标是简化Selenium的复杂操作，提供开箱即用的解决方案[2]。

Python on 忘川

Psnr对比图片画质

3.1 典型评价尺度 #

SSIM对比图片相似度

Python日期处理工具类深度解析

核心功能实现 #

1. 基础时间获取 #

2. 日期格式化与解析 #

3. 日期计算功能 #

4. 日历相关功能 #

5. 高级判断功能 #

6. 时间维度计算 #

使用示例 #

功能对比表 #

最佳实践建议 #